基于改进GRU的短期电力负荷预测方法

为提高电力负荷预测的准确性,采用灰狼优化(Grey Wolf Optimizer,GWO)算法对门控循环单元(Gated Recurrent Unit Neural Network,GRU)神经网络进行优化,并进行短期电力负荷预测.首先预处理数据并量化影响因素,然后搭建基于GWO超参数优化的GRU神经网络模型,最后与其...     

基于参数优化的KELM和GRU的短期电力负荷预测

为实现基于历史数据驱动的高精度短期负荷时序预测,提出一种基于核极限学习机(KELM)和门控循环网络(GRU)的混合预测方法。首先采用经验小波变换(EWT)将负荷时序分解为多个模态分量,并获得各分解序列与原始序列对应的样本熵值;依据子序列和原始序列间样本熵关系,分别建立基于门控循环网络(Gated Recurrent Unit, GRU)网络和基于核极限学习机(Kernel Extreme Learning Machine, KELM)的混合预测模型,并通过鲸鱼优化算法(Whale Optimization Algorithm, WOA)对核极限学习机(KELM)的参数进行优化。最后累加所有序列预测值以实现短期负荷预测。实验结果表明,所提出的EWT-WOA-KELM-GRU模型较其他对比模型获得了较高的预测精度和更高的拟合优度,较大程度上提高了传统模型在短期电力负荷预测中的性能。     

小波去噪和神经网络在电力负荷预测中的应用研究

为了降低历史负荷数据噪声对负荷预测的影响,提高电力负荷的预测精度,提出了一种基于小波去噪和BP神经网络的电力负荷预测方法。首先,对所得电力负荷数据进行了小波变换去噪处理,有效去除了噪声,然后利用BP神经网络在非线性处理中的优异特性,对小波去噪后的电力负荷进行了BP神经网络建模训练及仿真。实验结果表明:相比于其他电力负荷模型,该方法可以有效提高电力负荷的预测精度,是一种有效的电力负荷预测方法。     

基于Adam算法优化GRU神经网络的短期负荷预测模型

为提高短期负荷预测的精度,文中提出了一种基于Adam算法优化门控循环单元(Gated Re?current Unit,GRU)神经网络的短期负荷预测模型.针对循环神经网络(Recurrent Neural Network,RNN)存在的梯度消失和梯度下降、长短期记忆神经网络(Long Short-Term Memory...     

基于注意力机制和EMD-GRU模型的电力负荷预测

为提高非平稳性电力负荷的预测精度以及充分挖掘历史负荷数据的时序特征,本文提出了基于注意力(Attention)机制和经验模态分解(EMD)以及门控循环神经网络(GRU)组合的负荷预测方法.首先使用EMD对原始负荷数据进行EMD分解,继而得到有限个具有本征模态函数(IMF)的分量;然后考虑到各分量间的相关性,使用多层GR...     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

一种基于LSTM神经网络的短期用电负荷预测方法

负荷预测目前已成为保障电力系统用电安全的重要基础工作,在我国市场经济制度持续完善过程中,能源产业也逐渐发展为以市场为导向,这就要求负荷预测要更加可靠、实时与准确.保证负荷预测的准确性,能为电力销售计划的制定奠定坚实基础并提供可靠依据,确保电网运行更加安全与经济.在智能电网时代下,电力用户侧涉及到海量数据,且用户数据具有...     

基于GRU的Android恶意软件检测

本文为了提高Android恶意软件的检测效率,利用GRU模型解决标准RNN中出现的梯度消失问题和处理上下文具有长期依赖关系问题的能力,提出了基于GRU模型的Android恶意软件检测方法。对原始数据做标准化处理,将原始的数据集变化为特定尺寸的特征向量,可以用作深度学习网络模型的输入。使用Drebin数据集进行对照试验,对实验中特征向量进行降维处理,在全连接层实现归一化处理,最后在softmax分类,GRU层作为门控机制来保存代码数据间的依靠关系。对照实验结果表明,GRU模型与机器学习中的SVM模型以及单一的LSTM、DCNN模型相比,训练时间更短,检测结果中准确率、召回率、精确率、F1值都是最高的。     

基于EMD和神经网络的短期电力负荷预测

提出了采用经验模态分解（EMD）和神经网络结合的方法对短期电力负荷进行预测.通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后求和重构各个固有模态函数的预测值,最后得出总的负荷预测值.通过仿真分析,该方法相对于采用单一的神经网络预测降低了预测误差,改善了短期负荷预测的有效性.     

用神经网络预测负荷的路由选择方法

电信网路由选择方法的优劣直接影响着网络的接通率和负荷平衡程度.我国电信网的接通率只有45%左右.据介绍,若其接通率提高一个百分点,收益可达10亿元.本文针对目前所使用的路由选择方法的不足,提出基于神经网络预测的新的路由选择方法,包括性能指标、选路思想和递归神经网络预测等.然后,分析和比较仿真结果.这个方法因良好的分布特性和智能决策能力而优于其它方法,这为提高业务接通率和平衡网络负荷提供了良好途径.     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

基于GRU神经网络的晶圆测试工艺控制方法

压电驱动器位移输出的非线性特性,如迟滞的记忆特性及速率相关性,使压电驱动器的建模与控制较难。该文提出了一种基于门控循环单元(GRU)的新型位移输出控制方法。建立相应的位移输出实验平台来验证和分析压电驱动器的滞后现象。使用GRU模拟滞后的内存特性及采用两个全连接层来模拟速率依赖性。该模型是一个端到端系统,其中压电陶瓷和位移放大机构被视为一个整体。针对不同电压输入预测的输出位移量表明,该模型对速率相关的滞后具有很强的泛化能力。使用相同的循环神经网络结构构建逆模型,并进行实验测试。实验结果表明,所提出的位移输出控制法有效地削弱了压电驱动器的非线性特性,有利于将线性系统控制法与前馈补偿法相结合。     

基于神经网络模型的网络流量预测综述

网络流量预测技术可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求。大量研究表明,神经网络的预测性能高于其他经典预测方法,在网络流量预测中的应用潜力巨大。总结网络流量预测的一些关键因素和预测误差评判方法,重点介绍近年提出的可用于预测的神经网络模型原理、相关预测方法及其属性比较,旨在为包括流量在内的各种网络参数预测技术的学术研究与实际应用提供可借鉴的方法和手段。     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

一种基于双向GRU的UAV飞行轨迹预测方法

由于三维轨迹是一个具有连续性和交互性的复杂时间序列,因此,针对无人机飞行轨迹预测问题,结合深度学习理论特点,提出了一种基于双向门控循环单元的无人机飞行轨迹预测方法,进一步提高了轨迹信息的利用率.首先,建立无人机飞行动力模型,仿真获得不同状态的飞行轨迹样本;其次,利用均方误差作为损失函数,确定了双向门控循环单元轨迹预测模...     

基于神经网络的传播预测模型浅析

传播预测模型是网络规划和频谱资源合理利用的基础。在分析了现有模型不足的基础上,介绍了人工神经网络的结构及其传播预测模型的构建,并对该模型进行了改进,提出了应用反向传播(Back-Propagation,BP)神经网络的混合传播模型。人工神经网络具有良好的非线性逼近能力和泛化能力,非常适用于特定地区传播损耗的预测。通过对试验数据的分析处理,验证了此方法能够更真实地反映该区域的无线电波传播环境,得到更高的预测准确度。     

基于移动代理的一种减少网络负载的数据更新机制

针对分布式控制中，节点间的信息广播武交换，占用了大量网络资源这一问题，文章介绍了基于移动代理的负载均衡结构，在传统负载信息更新的基础上，提出了基于移动代理的减少网络负载的新更新机制ULIMA算法，较大的提高了系统的性能和效率，并通过仿真实验证明了该数据更新机制的有效性。     

遗传优化神经网络的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传算法优化神经网络的网络流量预测模型.首先将相空间重构和神经网络参数进行编码,网络流量预测精度作为目标函数,然后通过遗传算法选择模型最优参数,最后进行网络流量仿真实验.实验结果表明相对传统预测模型,遗传优化神经网络模型具有更高预测精度及稳定性更好.